نشرت الاستاذ الدكتور غيداء عبد الرزاق السهيل وطالبة الدراسات العليا ايمان علي محمد بحث علمي في المجلة العالمية 
The Visual Computer  -(Springer Nature ) International Journal of Computer Graphics
المجلة تصدر عن دار النشر العالمية سبرينكرSpringer Nature –في المانيا (Germany)
- المجلة مصنفة ضمن الربع الأول (Scopus Q1) with CiteScore6.2 في مجال الرؤية الحاسوبية والتعرّف على الأنماط Computer Vision and Pattern Recognition
وضمن الربع الثاني كلاريفيت , ( Clarivate JCR Q2) وذات معامل تاثير JIF 3.4 ، وهي مفهرسة ضمن Web of Science (SCIE). فئة هندسة البرمجيات وعلوم الحاسوب و ترتيبها 44 من أصل 128مجلة ضمن هذه الفئة.
- المجلة مصنفة SJR  Q2 فيScimago Hindex 85
 بعنوان 
   إطار عمل هجين محسن للتعلم العميق للكشف عن الإنسكابات النفطية في الصور الساحلية الملتقطة بالطائرات المسيرة(الدرون)

يقع هذا البحث ضمن مجال الذكاء الاصطناعي المطبق في مراقبة التلوث البيئي، ويركز على تطوير تقنيات ذكية لكشف ومراقبة التسربات والانسكابات النفطية في المياه الساحلية ومياه الموانئ باستخدام تحليل صور الطائرات المسيّرة (الدرون). ويعتمد البحث على تقنيات التعلم العميق والرؤية الحاسوبية لاستخراج السمات البصرية وتمييز بقع النفط بدقة عالية في ظل التحديات البيئية المختلفة، مثل تغير ظروف الإضاءة، وتعقيد سطح المياه، والضوضاء الناتجة عن الأمواج والانعكاسات. ويهدف هذا التوجه إلى توفير نظام آلي سريع ودقيق يدعم المراقبة البيئية، ويسهم في الاستجابة المبكرة للانسكابات النفطية، والحد من آثارها السلبية على النظم البيئية البحرية، والصحة العامة، والأنشطة الاقتصادية في المناطق الساحلية.

يُعدّ الكشف السريع عن الانسكابات النفطية أمرًا بالغ الأهمية للحد من الأضرار الجسيمة التي تلحق بالنظم البيئية البحرية، وحماية الصحة العامة، وصون الأنشطة الاقتصادية الساحلية. تقترح هذه الدراسة إطارًا هجينًا للتعلم العميق يحمل اسم ResNet-OSD، صُمم لتحقيق كشف دقيق للانسكاباتالنفطية باستخدام صور الطائرات المسيّرة (الدرون). ويستند هذا الإطار إلى القدرات القوية لشبكة ResNet50 في استخراج السمات، بهدف معالجة التحديات الرئيسة، مثل تعقيد أنسجة السواحل، وتغير ظروف الإضاءة، والضوضاء البيئية.
تم تطوير واختبار تكوينين هجينين باستخدام صور جوية التقطتها الطائرات المسيّرة لمناطق ساحلية ملوثة بالنفط. واعتمد كلا النموذجين على مجموعة من التقنيات لتحسين عملية التعلم ومعالجة مشكلة عدم توازن الفئات، شملت تقنية SMOTE وBorderline SMOTE لإعادة موازنة البيانات من خلال توليد عينات اصطناعية، وتقنية تحليل المكونات الرئيسية (PCA) لتقليل أبعاد البيانات، بالإضافة إلى التحقق المتقاطع باستخدام K-fold لضمان تقييم أكثر موثوقية.
يتكون النموذج الأول، ResNet-SVM، من دمج شبكة ResNet50 مع مصنف آلة متجهات الدعم (SVM)، مع استخدام تقنية SMOTEوالتحقق المتقاطع K-fold. أما النموذج الثاني، ResNet-PCA-RF، فيدمج ResNet50 مع تحليل المكونات الرئيسية (PCA) ومصنف الغابة العشوائية (Random Forest)، مع تطبيق تقنية Borderline SMOTEلتوليد عينات اصطناعية أكثر استهدافًا بالقرب من حدود الفئات.
أظهرت النتائج التجريبية أن نموذج ResNet-PCA-RF حقق أداءً متفوقًا، حيث بلغ مساحة المنحنى تحت منحنى ROC (ROC–AUC) قيمة 1.00، وبلغت الدقة (Accuracy) 98.43%، والإحكام (Precision)97.67%، والاستدعاء (Recall) 99.21%. وتؤكد هذه النتائج متانة النموذج وكفاءته العالية في تصنيف الانسكابات النفطية، حتى في ظل الظروف البيئية الصعبة.

https://share.google/o6WXnAVsfIc1b8295